谷歌推出新开源库，计算速度提高100倍；​Facebook开源深度学习框架Pythia

近日，谷歌正式发布TensorNetwork，这是与加拿大Perimeter理论物理研究所和谷歌母公司Alphabet旗下的X实验室合作开发的开源库和API。Facebook的人工智能研究部门也宣布开源Pythia，一个模块化的即插即用框架，使数据科学家能够快速构建复制和基准AI模型，现在可以在GitHub上免费获得。

谷歌正式发布TensorNetwork，比传统处理器快100倍。

张量网络广泛地应用于机器学习，用以执行复杂的计算。但实际应用中还有许多难题需要解决：一是没有免费的加速硬件库来进行大规模的底层算法，二是目前有关张量网络的文献大部分面向物理应用。

谷歌针对这一问题，提出了有效解决方案。近日，谷歌正式发布TensorNetwork，这是与加拿大Perimeter理论物理研究所和谷歌母公司Alphabet旗下的X实验室合作开发的开源库和API。通过使用谷歌的TensorFlow机器学习框架作为后端，并对图形处理器进行优化，来提高张量计算的效率。在初步测试中，谷歌报告说TensorNetwork的计算速度比传统处理器快100倍。

张量（tensor）是几何代数中的基本概念，可以看成是向量和矩阵的推广，比如：标量是零阶张量，向量是一阶张量，矩阵是二阶张量。当张量数目多，指标缩并关系复杂时，可用图形表示它们的缩并关系，这就是张量网络。

图|用张量网络中许多低阶张量表示的高阶张量(来源：谷歌)

张量网络能非常有效地表示几个、几十个甚至上百个张量，它们不是直接存储，而是用图形表示他们的缩并关系，这使得张量网络在图像分类、对象识别和其他人工智能任务中更加实用。

TensorNetwork库的设计就是为了促进这一点：它是一个用于张量网络算法的通用库。谷歌希望它能有助于工程师和科学家的研究。谷歌的研究人员指出，近似量子态是物理学中张量网络的一个典型用例，能够直观地说明张量网络库的能力。

谷歌人工智能研究工程师蔡斯·罗伯茨（Chase Roberts）和X实验室的科学家斯蒂芬·莱切纳（Stefan Leichenauer）说道：“张量网络让人们关注与现实问题最相关的量子态——低能量态，而忽略其他不相关的状态。通过开源社区，我们也会一直为TensorNetwork本身添加新功能。我们希望TensorNetwork成为物理学家和机器学习实践者的宝贵工具。”

罗伯茨、莱切纳和同事们会利用TensorNetwork库对MNIST和Fashion-MNIST数据集中的图像进行分类，同时还将应用于对机器学习的时间序列进行分析，及量子电路仿真等。

参考：https://venturebeat.com/2019/06/04/googles-tensornetwork-library-speeds-up-computation-by-up-to-100-times/

Google 移动服务的替换品 microG开源

Google 移动服务的替换品 microG是一个免费自由的项目，是 Google 移动服务 (GMS) 的替换品。基于 Linux 的开源移动操作系统 Android 不仅是世界上最流行的移动操作系统，它也正在成为一个专有的操作系统。虽然核心操作系统仍然作为 Android 开源项目的一部分发布，但大多数核心应用程序都没有。情况变得更糟：越来越多的库和 API 仅适用于预先安装了各种 Google 应用的手机，有效地将第三方应用锁定到 Google 生态系统。出于这些原因，Android被描述为“看起来但不要触摸”的开放式。

此时，一些流行的开源应用程序已经需要安装一些 Google 的专有库。除了由 Android modding 社区发现的谷歌专有软件中的严重问题之外，自由软件社区的需求不断增加，导致开发了谷歌专有核心库和应用程序的免费软件克隆 —— microG 项目诞生了。

虽然大多数 microG 组件远未完成，但用户对结果感到惊讶。免费软件用户获得了扩展的应用程序支持，隐私保护用户可以减少或监控发送给 Google 的数据，特别是旧款手机可以提高电池寿命。

microG 不仅用于真实设备，还取代了测试模拟器中的 Google 工具，甚至用于虚拟移动基础设施。

开源地址：https://github.com/microg

Facebook开源深度学习框架Pythia用于图像和语言模型

继去年1月开源图像处理库Spectrum，年底开源自然语言处理建模框架PyText以及11月开源人工智能强化学习平台Horizon之后，Facebook的人工智能研究部门近日宣布开源Pythia，一个模块化的即插即用框架，使数据科学家能够快速构建复制和基准AI模型，现在可以在GitHub上免费获得。

Pythia是在PyTorch机器学习框架之上构建的，主要用于视觉和语言任务，例如回答与视觉数据相关的问题并自动生成图像标题。它结合了Facebook AI Research在人工智能竞赛中的顶级参赛作品，如LoRRA，一个同时赢得VQA挑战2018和Vizwiz Challenge 2018的视觉和语言模型，它能够展示以前最先进的AI系统如何实现顶级基准测试结果并将其性能与新模型的性能进行比较。

开源地址：https://github.com/facebookresearch/pythia

学术头条已建立微信交流群，想进群的同学请加学术君微信：AMiner308，记得备注：名字+单位/学校噢！